torch.normal(means, std, out=None)
- 返回满足正态分布的张量
means
和std
分别给出均值和标准差
torch.rand(*sizes, out=None) → Tensor
- 均匀分布:返回一个张量,包含了从区间[0, 1)的均匀分布中抽取的一组随机数。张量的形状由参数sizes定义
torch.randn(*sizes, out=None) → Tensor
- 标准正态分布:返回一个张量,包含了从标准正态分布(均值为0,方差为1,即高斯白噪声)中抽取的一组随机数。张量的形状由参数sizes定义
torch.squeeze(a,N)
- 对数据的维度进行压缩,去掉指定个维数为1的维度,注意:如果不加第二个参数’N’,就是去掉所有维数为1的维度
- 另一种形式,
a.squeeze(N)
也是去掉a中指定的维数为一的维度,去掉的维度数为N
torch.unsqueeze()
- 对数据维度进行扩充。给指定位置加上维数为1的维度,同样有另外一种形式
a.squeeze(N)
- 注意!当对神经网络的输入层的特征数据提前处理时,可能需要使用该函数,因为输入数据必须是一个至少二维的张量
可以关注一下python自带的
numpy
数字计算库和torch
的数据处理,其实相似度很高
torch.cat((A,B),0)
- 将两个张量(tensor)拼接在一起,第一个参数是两个张量组成的元组,第二个参数是行拼接(1)或者列拼接(0)
- 实例
np.hstack((A,B,C..))
& np.vstack((A,B,C..))
- 将参数元组的元素数组按水平/垂直方向进行叠加,可以和上面的torch.cat比较一下
torch.stack([tensor1, tensor2, tensor3…], dim=0)
- 将几个矩阵按照dim指定维度堆叠在一起
- 实例
np.random.shuffle(x)
- 现场修改序列,改变自身内容。(类似洗牌,打乱顺序)
- 对多维数组进行打乱排列时,默认是对第一个维度也就是列维度进行随机打乱
np.transpose(x)
- 常用于二维数组的转置
torch.div(input, value, out=None)
- 将input逐元素除以标量值value,并返回结果到输出张量out。
plt.scatter(x,y,c='r',s=20,marker=".",lw=2)
matplotlib
库中画散点图的函数,注意c
这个参数的特别用法- 详解